一种可能更笨拙的方法是遍历
GroupBy对象（它会生成
(grouping_value,df_subgroup)元组。例如，要在此处实现所需的功能，可以执行以下操作：
grouped = DF.groupby("category")aggregate = list((k, v["arraydata"].sum()) for k, v in grouped)new_df = pd.Dataframe(aggregate, columns=["category", "arraydata"]).set_index("category")无论如何，这与大熊猫在幕后所做的非常相似[groupby，然后进行一些聚合，然后再合并]，因此您并没有真正失去很多。
深入了解内部
这里的问题是，pandas正在明确检查输出是否 不是
an，
ndarray因为它想要智能地重塑数组，如您在此片段中所看到的那样
_aggregate_named，即发生错误的地方。
def _aggregate_named(self, func, *args, **kwargs): result = {} for name, group in self: group.name = name output = func(group, *args, **kwargs) if isinstance(output, np.ndarray): raise Exception('Must produce aggregated value') result[name] = self._try_cast(output, group) return result我的猜测是，发生这种情况是因为
groupby已明确设置为尝试智能地将具有相同索引的Dataframe重新组合在一起，并且所有内容都很好地对齐了。由于这样的Dataframe中很少有嵌套数组，因此它会检查ndarray以确保您实际上正在使用聚合函数。在我的直觉中，这似乎是的工作
Panel，但是我不确定如何完美地进行转换。顺便说一句，您可以通过将输出转换为列表来避免此问题，如下所示：
DF.groupby("category").agg({"arraydata": lambda x: list(x.sum())})熊猫没有抱怨，因为现在您有了一个Python对象数组。[但这实际上只是在类型检查中作弊]。如果要转换回数组，只需对其应用
np.array即可。
result = DF.groupby("category").agg({"arraydata": lambda x: list(x.sum())})result["arraydata"] = result["arraydata"].apply(np.array)实际上，您要如何解决此问题取决于您 为什么
拥有的列
ndarray以及是否要同时聚合其他任何内容。也就是说，您可以随时
GroupBy像上面显示的那样进行迭代。
